Testing the robustness of land-use regression models for atmospheric nitrogen dioxide and ozone using data from fixed and mobile monitoring campaigns
Notice bibliographique
Résumé
The objective of this thesis is to validate land-use regression models developed based on fixed and mobile measurements of ambient nitrogen dioxide (NO2) and ozone (O3) concentrations. For this purpose, a mobile monitoring campaign was conducted in the summer of 2015 in Montreal. The pollutant levels of 1,411 road segments were measured. Using data from repeated visits at each segment (N_vis), various land-use regression (LUR) models were developed based on segments with N_vis greater than or equal to 4, 8, 12, 16 and 20. Exposure surfaces for the island of Montreal based on these models were also developed. Previously, during the summer of 2014, a monitoring campaign had taken place at 76 fixed locations spread around Montreal using the same sensors to measure the same two pollutants. LUR models as well as associated exposure surfaces were developed, and compared to the results from summer 2015. We observed that the exposure surfaces resulting from both campaigns were highly dissimilar, and several possible explanations can be suggested. LUR models based on segments with a small number of repeated observations are associated with poor coefficients of determination (R²) and the exposure surfaces derived from them are poorly correlated with the summer 2014 exposure surface. On the other hand, restricting the LUR models to the road segments with N_vis greater than or equal to 16 leads to higher R² values at the expense of poor predictive capability outside of the sample mainly due to the fact that as N_vis increases, the variability in segment attributes within the sub-sample decreases as those segments become more concentrated in the downtown area. This study highlights the sensitivity of LUR models based on mobile monitoring campaigns to the number of visits per segment and to the location of the segments and stresses the importance of careful design of outdoor data collection campaigns.Keywords: Land-use regression; nitrogen dioxide; ozone; air pollution exposure; exposure surfaces; mobile monitoring, fixed stations; Montreal; micro-sensors
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».